Chart-Geschichte(n): Zwischenbericht

Datenbasis

Die folgenden Daten beruhen auf 3000 Alben von 1010 verschiedenen Bands / Künstlern. Sie stammen von der Webseite https://tsort.info/. Wir verwenden die Version 2-7-0005.

Visualisierung

Inwiefern ist die Punktzahl für Chartplatzierungen in Europa vorhersagbar durch die Punktzahl in den U.S.A.?
Gibt es Unterschiede zwischen den Top 6 Künstlern / Bands?

ggplot(Top6, aes(x = raw_usa, y = raw_eur)) +
  geom_jitter() +
  geom_smooth(color = "darkgreen", method = "loess", se = FALSE) +
  geom_smooth(color = "blue", method = "lm", se = FALSE) +
  facet_wrap(~ artist, nrow = 2, scales = "free") +
  labs(x = "Punkte U.S.A.", y = "Punkte Europa",
       title = "Punkte USA vs. Europa für Top 6 Künstler / Bands",
       caption = "Quelle: tsort.info, Version 2.7.0005")

Regression

Regressionsmodell für die Rolling Stones.

Direkte Ausgabe

Stones <- Top6 %>%
  filter(artist == "The Rolling Stones")
Stones_lm <- lm(raw_eur ~ raw_usa, data = Stones)
summary(Stones_lm)

## 
## Call:
## lm(formula = raw_eur ~ raw_usa, data = Stones)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4463.6 -3332.9  -646.9  1714.3  9057.0 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 4638.44964 1092.53951   4.246 0.000153 ***
## raw_usa       -0.05667    0.16286  -0.348 0.729966    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3980 on 35 degrees of freedom
## Multiple R-squared:  0.003447,   Adjusted R-squared:  -0.02503 
## F-statistic: 0.1211 on 1 and 35 DF,  p-value: 0.73

xtable

Tabelle <- xtable(summary(Stones_lm))
print(Tabelle, type = "html")

	Estimate	Std. Error	t value	Pr(>|t|)
(Intercept)	4638.4496	1092.5395	4.25	0.0002
raw_usa	-0.0567	0.1629	-0.35	0.7300

texreg::htmlreg

Ein Modell:

htmlreg(Stones_lm, doctype = FALSE)

Statistical models

	Model 1
(Intercept)	4638.45***
	(1092.54)
raw_usa	-0.06
	(0.16)
R2	0.00
Adj. R2	-0.03
Num. obs.	37
RMSE	3979.62
p < 0.001, p < 0.01, p < 0.05

htmlreg(Stones_lm, single.row = TRUE, doctype = FALSE)

Statistical models

	Model 1
(Intercept)	4638.45 (1092.54)***
raw_usa	-0.06 (0.16)
R2	0.00
Adj. R2	-0.03
Num. obs.	37
RMSE	3979.62
p < 0.001, p < 0.01, p < 0.05

Vergleich von zwei Modellen:

Beatles <- Top6 %>%
  filter(artist == "The Beatles")
Beatles_lm <- lm(raw_eur ~ raw_usa, data = Beatles)

htmlreg(list(Stones_lm, Beatles_lm),
        custom.model.names = c("Stones", "Beatles"),
        doctype = FALSE)

Statistical models

	Stones	Beatles
(Intercept)	4638.45***	2540.39*
	(1092.54)	(928.58)
raw_usa	-0.06	0.19*
	(0.16)	(0.08)
R2	0.00	0.14
Adj. R2	-0.03	0.12
Num. obs.	37	33
RMSE	3979.62	3382.10
p < 0.001, p < 0.01, p < 0.05

Regressionsergebnisse als Datensatz

Warum Datensatz? Weil wir hier kompakt die Ergebnisse von insgesamt 6 Modellen gesammelt haben. Bei welchen Künstlern / Bands sind die Zusammenhänge signifikant? Wie sind die Wirkungsrichtungen? Ergebnisse sortiert nach p-Werten.

Direkte Ausgabe

Ergebnisse

##        Künstler_Band Koeffizient      pWert
## 1        The Beatles  0.19278703 0.02921007
## 2            Madonna  0.74404111 0.06273117
## 3                 U2  0.47422004 0.06636111
## 4          Bob Dylan -0.08456933 0.47520575
## 5  Bruce Springsteen  0.14645709 0.50158702
## 6 The Rolling Stones -0.05666535 0.72996576

kable

kable sieht im Word-Format am besten aus. Gibt Matrizen oder Datensätze aus.

kable(Ergebnisse)

Künstler_Band	Koeffizient	pWert
The Beatles	0.1927870	0.0292101
Madonna	0.7440411	0.0627312
U2	0.4742200	0.0663611
Bob Dylan	-0.0845693	0.4752058
Bruce Springsteen	0.1464571	0.5015870
The Rolling Stones	-0.0566653	0.7299658

xtable

xtable liefert kompakte Tabellen.

Tabelle <- xtable(Ergebnisse)
print(Tabelle, type = "html")

	Künstler_Band	Koeffizient	pWert
1	The Beatles	0.19	0.03
2	Madonna	0.74	0.06
3	U2	0.47	0.07
4	Bob Dylan	-0.08	0.48
5	Bruce Springsteen	0.15	0.50
6	The Rolling Stones	-0.06	0.73

print(Tabelle, type = "html", html.table.attributes = "border = 0")

	Künstler_Band	Koeffizient	pWert
1	The Beatles	0.19	0.03
2	Madonna	0.74	0.06
3	U2	0.47	0.07
4	Bob Dylan	-0.08	0.48
5	Bruce Springsteen	0.15	0.50
6	The Rolling Stones	-0.06	0.73

Interaktive Tabelle: datatable (Paket DT)

datatable(Ergebnisse)

Damit kann man auch ganze Datensätze darstellen …

datatable(Top6)

Interaktive Grafiken

Streudiagramm

pinkfloyd <- albums %>%
    filter(artist == "Pink Floyd")

# Dynamisch: Mouse-Over. Nur in HTML! Benötigt Javascript.
# Zuerst ggplot2 ...

PinkFloyd <- ggplot(pinkfloyd, aes(x = year, y = final_score, label = name, col = final_score)) +
  labs(title = "Pink-Floyd-Alben & ihre Punktzahlen",
       x = "Jahr", y = "Punktzahl") +
  scale_x_continuous(limits = c(1965, 2011)) +
  geom_jitter()

# ... dann plotly
ggplotly(PinkFloyd, tooltip = c("x", "y", "label"))

Diamonds